一种基于智能算法的用电预测方法及系统与流程

1.本发明涉及电力系统领域，更具体的，涉及一种基于智能算法的用电预测方法及系统。


背景技术：

2.目前，电力系统对各类用户用电量的预测方式主要以线下方式为主。通过线下方式对电力用户用电量的预测存在各类问题。一方面这种预测方式，使得数据安全性得不到保障，算法模型无法进行全过程规范性管理；另一方面，这种方式对业务人员要求较高，需了解掌握各算法原理、参数设计、适用场景后才能独立开展预测分析工作，难以批量化培养相关技术人才。
3.现有技术中，电量预测的分析对象主要为大型的工商业用户，此类用户用电特征明显、用电规模稳定。然而随着电力系统输供电业务的不断优化，业务种类与复杂度的不断提升，代理购电方式呈现出较为快速的发展趋势。
4.由于目前电力系统难以对于各类小型用户(如代理购电用户)的用电情况进行预测，随着这类用户规模的快速升高，采用目前的用电预测方法对电力系统中发、输、变、配等各类电力设备运行状态的调节已经难以完全满足所有电力用户的用电需求。例如，当忽略了对于代理购电用户用电需求的预测时，当遇到疫情等重大事件影响的情况下，存在部分发电设备空转运行，输出的电力无法实际参与配电；或者，存在部分区域的发电设备处于错误的功率档位运行，区域供电无法满足区域内所有用户的用电需求。上述问题不仅会导致电力系统难以在能源转换效率最高的状态下运行，增加了运行与调度成本，导致了资源浪费和环境污染，更严重的情况下还会导致调度超载、配电网运行故障。
5.另一方面，现有技术中，电网工作人员常常会采用各类不同的智能算法或数学方法对用电数据进行预测。然而现有技术中，并不存在一种有效的手段对于大量复杂且不同的算法的有效性、准确性进行判定。因此，在开展用电预测工作的过程中，不同区域、不同层级的电力系统工作人员之间，难以将已有的经验进行分享与量化，同一工作人员也难以对于多种不同的算法进行透彻的理解并对于多种算法的优劣进行比较。在用电预测的过程中，电力系统工作人员需要进行大量的重复编程工作，也需要大量的时间精力理解算法含义，并重复的进行数据处理、数据集选择、算法参数配置和算法评估的工作。并且这些工作过程难以追溯。
6.针对上述问题，本发明提供了一种新的基于智能算法的用电预测方法与系统。


技术实现要素：

7.为解决现有技术中存在的不足，本发明提供一种基于智能算法的用电预测方法与系统，通过构建用电预测算法库，对于算法的参数进行调节，对算法版本进行管理，并基于预测偏差及时的对于算法进行迭代调整，基于不同算法之间置信度的比较推荐罪域算法，从而提高预测结果的准确性。
8.本发明采用如下的技术方案。
9.本发明第一方面，涉及一种基于智能算法的用电预测方法，方法包括以下步骤：步骤1，构建用电预测算法库，对算法库中的当前算法的关键参数进行配置，并针对一次配置记录当前算法的版本号；步骤2，采用当前算法和当前版本号对输入数据进行求解并获取预测时段的用电预测结果，并将预测时段的用电预测结果与历史用电电量进行比较，以及可视化预测偏差从而定位预测偏差原因；步骤3，生成复盘分析报告，并基于预测偏差原因对算法库中的当前算法的关键参数进行调节；步骤4，采用调节后的当前算法对输入数据进行求解，以生成预测时段的最优用电预测结果，并基于最优用电预测结果实现对电网中发电侧、输电侧、变电侧、配电侧设备状态的调控。
10.优选的，方法支持对算法库中任意一个算法的启用、停用、删除和参数配置操作；其中，参数配置，用于对当前算法的关键参数进行配置或调节。
11.优选的，当对当前算法的关键参数进行配置或调节后，自动生成当前算法的新版本。
12.优选的，对当前算法的所有版本进行记录，并支持对于当前算法中任意一个版本的启用、停用和删除操作。
13.优选的，方法计算当前算法的置信度，并基于置信度的取值进行算法推荐；置信度中分别包括算法的平均偏差率、最小偏差率、偏差合格率、同期偏差率和加权偏差率的取值。
14.优选的，以可视化方式比较当前算法、算法库中的一种或多种其他算法两者之间在同一维度下的历史预测偏差；以可视化方式比较当前算法的用电预测结果与历史用电电量，以获取预测偏差。
15.优选的，方法计算当前算法的置信度，并基于算法置信度的取值进行算法推荐。
16.优选的，可视化方式支持空间维度、时间维度、行业维度的切片数据展示；其中，空间维度包括省侧、地市、区县用户群的历史用电电量；时间维度包括年度、季度、月度、日度、分时段历史用电电量；行业维度包括全量用户、代理购电工商业用户、市场化工商业用户、居民和农业用户。
17.优选的，采用可视化方式对于当前算法在计算过程中的中间参数的空间位置数据进行展示。
18.本发明第二方面，涉及一种基于智能算法的用电预测系统，系统包括处理器、存储介质与数据接口；其中，处理器用于实现本发明第一方面中方法的步骤；并且，数据接口，与发电侧、输电侧、变电侧、配电侧设备的控制系统连接，用于基于最优用电预测结果实现对电网中发电侧、输电侧、变电侧、配电侧设备状态的调控。
19.本发明的有益效果在于，与现有技术相比，本发明中的一种基于智能算法的用电预测方法与系统，能够通过构建用电预测算法库，对于算法的参数进行调节，对算法版本进行管理，并基于预测偏差及时的对于算法进行迭代调整，基于不同算法之间置信度的比较推荐最优算法，从而提高预测结果的准确性。本发明思路清晰，涵盖广阔，具备较强的可扩展性，能够针对不同的智能算法进行比较，并通过每个算法的自身迭代过程逐步改进算法。通过多种不同算法的集成管理，实现了最优化的用电预测。
20.本发明的有益效果还包括：
21.1、本发明中对多种预测算法进行可视化建模，加强业务实施人员介入预测分析的支持功能，在开展预测工作时无须编程、了解算法的实现细节，通过系统即可完成数据预处理、数据集选择、算法参数设置、执行算法、智能评估等工作。算法研发人员可结合业务实施人员报送的属地化信息，包括重点行业重点企业的用电量异动情况，量化社会经济等外部因子对各类用户电量影响，迭代预测算法模型，拓展模型应用场景。系统开发人员为数据管理、算法迁移、版本管理、界面交互提供技术支撑，实现预测分析全流程可看、可查、可溯。
22.2、本发明中能够基于阿里大数据中台，通过python编程语言开发，导入sklearn机器学习库，对常用的机器学习方法进行封装。根据预测目标，将样本数据带入到模型对象中，模型对象对样本数据进行一系列特征分析及参数训练，对代理购电用户预测时段内的综合电量情况进行预测。另外，本发明还可以建立多维用电影响模型。根据每日新增数据，自动更新模型参数，实现模型的自学习。
23.3、为提高业务人员的工作效率与预测准确率，本发明平台支持主要算法的可视化建模，业务人员无须编程、无须了解算法的实现细节，通过“拖拽”、“增删改查”等操作即可完成数据预处理、数据集选择、算法参数设置、执行算法等工作。
24.4、前期代理购电预测及应用主要基于线下进行，存在预测数据分散孤立、算法版本难以管理、模型结果没有评估标准、业务流程无法贯通等问题。基于平台可以实现代理购电电量预测工作的事前、事中、事后全流程管控，支撑公司代理购电业务高效开展。同时，通过对各种预测算法设置唯一可识别版本号，业务人员可对算法进行“参数配置”、“启用”、“停用”、“删除”等操作，通过历史数据训练模型参数，并进行不断调整优化，平台对算法迭代过程进行留痕。
25.5、本发明中给出的算法预测结果需经预测业务人员评估后方可提交，设置专家评估功能，支撑数据同比、环比、图形联动，可查看同类城市的预测情况，业务人员可结合实际情况、自身经验对预测结果调整校核，并最终上报。
附图说明
26.图1为本发明一种基于智能算法的用电预测方法的步骤示意图；
27.图2为本发明一种基于智能算法的用电预测方法中xg-boost算法的算法管理页面示意图；
28.图3为本发明一种基于智能算法的用电预测方法中svr支持向量机算法的算法管理页面示意图；
29.图4为本发明一种基于智能算法的用电预测方法中相似日算法的算法管理页面示意图；
30.图5为本发明一种基于智能算法的用电预测方法中算法比较页面的示意图；
31.图6为本发明一种基于智能算法的用电预测方法中电量预测结果页面的示意图。
具体实施方式
32.为使本发明的目的、技术方案和优点更加清晰，下面将结合本发明实施例中的附图，对本发明的技术方案进行清楚、完整地描述。本发明所描述的实施例仅仅是本发明一部分的实施例，而不是全部实施例。基于本发明精神，本领域普通技术人员在没有做出创造性
劳动的前提下，根据本发明中记载的实施例而获得的所有其它本发明中未记载的实施例，都应当属于本发明的保护范围。
33.图1为本发明一种基于智能算法的用电预测方法的步骤示意图。如图1所示，一种基于智能算法的用电预测方法，方法包括步骤1至步骤4。
34.步骤1，构建用电预测算法库，对算法库中的当前算法的关键参数进行配置，并针对一次配置记录当前算法的版本号。
35.可以理解的是，本发明中的方法对多种预测算法进行可视化建模，加强业务实施人员介入预测分析的支持功能，在开展预测工作时无须编程、了解算法的实现细节，通过系统即可完成数据预处理、数据集选择、算法参数设置、执行算法、智能评估等工作。
36.具体来说，用电预测算法库中可以包含回归算法、时间序列、聚类分析等30余种算法的算法库，基于阿里大数据中台，通过python编程语言开发，导入sklearn机器学习库，对常用的机器学习方法进行封装。根据预测目标，将样本数据带入到模型对象中，模型对象对样本数据进行一系列特征分析及参数训练，对代理购电用户月电量进行预测。
37.本发明一实施例中，内置的基础算法库，包含常用的13种数理统计算法与22种机器学习算法。针对预测目标，依据基础算法，通过样本数据训练，提取最优的参数，建立可进行代理购电电量预测的算法模型，并根据业务需求从空间和时间结合行业和用户群等维度进行数据预测。业务人员可对算法进行“参数配置”、“启用”、“停用”、“删除”等操作，通过历史数据训练模型参数，并进行不断调整优化，平台对算法迭代过程进行留痕。
38.优选的，方法支持对算法库中任意一个算法的启用、停用、删除和参数配置操作；其中，参数配置，用于对当前算法的关键参数进行配置或调节。
39.表1为本发明中各类不同智能算法的参数，需要说明的是，各类智能算法均可以选取三个或更多个重要的关键参数，以在专业人员的调节下进行手动修改。而本发明的方法中则提供这种人机交互的修改界面和修改提醒等功能。
40.通过这种修改，智能算法就能够展现出不同的输出特性，从而变更输出预测结果的精确度。另外，本发明方法中也能够根据各类不同的事件来提醒专业人员需要进行算法参数的修改和调节。例如，当疫情等重大事件发生时，专业人员可以根据本地区本时段的特定需求来对算法进行调节。
41.[0042][0043]
表1算法关键参数表
[0044]
如果上表所示，针对多个不同的算法，其中设定的重要影响参数也不同，本发明中可以根据人工调节各类算法来对不同的输入数据进行预测结果求解，通过这种方式改进算法的准确性。
[0045]
优选的，当对当前算法的关键参数进行配置或调节后，自动生成当前算法的新版本。
[0046]
本发明中的方法不仅可以对关键参数进行修改配置，而且在每次修改并保存后，自动生成当前算法新的版本号，并将算法的这一版本保存在历史数据库中，工作人员可以随时调用这种算法，也可以查看采用该版本的算法进行的历史预测的结果和各类相关情况。换言之，工作人员可以直观的获取算法不同版本的情况下计算结果的准确性，并通过人为的判断来觉得未来预测过程中的版本选择甚至是算法选择。
[0047]
优选的，对当前算法的所有版本进行记录，并支持对于当前算法中任意一个版本的启用、停用和删除操作。
[0048]
本发明的方法中，在选择了当前算法后，还可以从当前算法所对应的多个不同版本中选择相应的最优算法。方法也支持对于各个不同算法版本进行重新的命名和备注，通过这种方式，当例如疫情等相似的重大事件发生时，工作人员就可以进行快速的算法参数调节，或者是直接选用历史算法来对于特殊时期的用电量输入数据进行预测了。
[0049]
当启用某一个版本的算法后，输入数据将被输入至算法中，进行实际的预测求解。同时这种求解过程可以根据输入数据的不断刷新而提供相应的更新输出结果。当停用了一个版本的算法后，输入数据将不再继续被输入至算法，也不会在继续求解预测结果。另外，当某个算法效果较差，也可以通过删除的方式，将其从算法库中移除，不再参与到用电预测中。
[0050]
步骤2，采用当前算法和当前版本号对输入数据进行求解并获取预测时段的用电预测结果，并将预测时段的用电预测结果与历史用电电量进行比较，以及可视化预测偏差从而定位预测偏差原因。
[0051]
本发明中的输入数据可以来自于各个来源。具体的，本发明的方法可以采集代理购电电量用户的历史用电电量，建立月电量、日电量等历史数据与气象、节假日等外部影响因子数据物理模型，实现入库数据的异常数据辨识与修正，形成分区域、分行业、分电压等
级、分用户类别、分工作日节假日的多维预测数据库。，本发明可以采用样本数据处理方法，通过大数据工具对数据进行核对、清洗和修正，汇总计算出相关指标，最后将修正后的汇总指标数据同步至预测系统的关系型数据库，建立省-市-区县”空间钻取分析、“年-月-日”时间钻取分析、“全网-产业-行业”行业钻取分析，实现多维度电量跟踪。
[0052]
为了实现多个维度的可视化分析，本发明中还会进行多种钻取分析，空间钻取分析中包含按照省、市、区县维度实现统计的代理购电群体的历史用电电量数据；时间钻取分析中包含按照年、季、月、日维度、按照峰、平、谷、尖时段实现统计的代理购电的历史用电电量数据；行业钻取分析中包含按照不同行业维度实现统计的代理购电群体的历史用电电量数据。
[0053]
可以理解的是，空间钻取分析能够按照全省、地市、区县维度统计用户群电量数据。时间钻取分析可以按照年度、季度、月度、日度、分时段(峰、平、谷、尖)维度统计电量数据。行业钻取分析则按照各个行业进行分类。例如，农、林、牧、渔业；工业；建筑业；交通运输、仓储和邮政业；信息传输、软件和信息技术服务业；批发和零售业；住宿和餐饮业；金融业；房地产业；租赁和商务服务业；公共服务及管理组织等十一大行业，各一级行业下设细分行业。
[0054]
本发明还包括影响数据处理方法，其主要用于接入气象、节假日、经济、重大事件等外部数据，例如定期导入每年国家公布的法定节日数据，定期导入上证指数、深证指数、gdp、cpi等经济指标数据，定期同步中国天气网公布的最新40天天气预报数据等，同时可以使用python将多源异构数据根据业务需求进行筛选、关联、计算等操作，形成满足多种预测模型算法的标准、可信数据源。
[0055]
可以理解的是，本发明中所采用的源数据涵盖用户电量数据、气象数据、经济数据、电网事件数据等数据指标库，以及政策信息，也就是政策数据。例如，其中可以包括代理购电工商业用户档案信息，年、月、日电量信息，日分时段(峰、平、谷、尖)电量，逐日温度、湿度、风速、降雨量、温湿指数、人体舒适度、寒冷指数等气象指标，月度、年度宏观经济与行业经济指标，新装、增容、减容、暂停、减容恢复、暂停恢复和销户等业扩报装信息，国家及地区产业政策以及能耗“双控”、大气污染防治、限产停工等政策。
[0056]
具体来说，本发明中可以基于全样本的用电特性，构建电量多影响因子体系(气象、节假日、自然增长、电网事件如业扩报装等、经济、重大事件)，通过主成分分析确定各预测场景下的关键影响因子，确定等电量、影响因子等内外部数据的基准，对数据进行标幺化处理，建立多维用电影响模型。根据每日新增数据，自动更新模型参数，实现模型的自学习。
[0057]
当将包含上述内容的有序的输入数据输入至当前算法的当前版本中后，启用算法进行运算，就可以获取预测时段的用电预测结果。
[0058]
图2为本发明一种基于智能算法的用电预测方法中xg-boost算法的算法管理页面示意图。举例来说，以xg-boost算法为例，输入电量、影响因子等源数据，业务人员可以自由选择数据组合，通过数据清洗、数据集切分、归一化处理、主成分分析等过程建立目标函数，每一步都产生一个弱预测模型，将多个弱预测模型通过集成器整合为一个强预测模型。即用多棵树共同决策，并且用每棵树的结果都是目标值与之前所有树的预测结果之差，将所有的结果累加即得到最终的结果，通过梯度下降法寻找最优解，以此达到整个模型效果的提升，适用于对预测时间要求高，预测对象具有高维特征的场景。
[0059]
图3为本发明一种基于智能算法的用电预测方法中svr支持向量机算法的算法管理页面示意图。用户可以在管理界面中选择不同的核进行运算，同时算法可以将动态生成的各个样本点在输入空间与特征空间中的位置以动态可视化图的形式展示在平台界面上。
[0060]
图4为本发明一种基于智能算法的用电预测方法中相似日算法的算法管理页面示意图。如图2-4所示，不同的算法分别包括多种不同的数据处理方式。相似日算法可以首先是根据地市、日期，将近3年的天气数据与近3年的节假日、非节假日数据与电量数据合并。随后，对于参数进行处理，该是实施例中预测时段可以为一个预测日，设置预测结束时间＝预测日期月末最后一天；训练集开始日期＝预测日期-(12+预测间隔)月；训练集结束日期＝预测日期-预测间隔月-1天。
[0061]
然后分别获取预测数据集和训练数据集，同时根据预测数据特征集计算与训练集数据的相似度；计算预测数据与训练数据的日期间隔天数，高温、低温温差度数绝对值，并获取是否下雨字段一致的数据集。随后，获取温差绝对值小于1的数据集；以及根据星期特征获取数据集。此时可以优先获取星期相同数据(如：星期四，就找同是星期四的数据)，并根据日期间隔、温度等数据相似度获取最接近的1天数据；如上述没有获取到数据将获取所有工作日数据，并根据日期间隔、温度等数据相似度获取最接近的1天数据；如上述没有获取到数据将获取所有剩下的周末数据，并根据日期间隔、温度等数据相似度获取最接近的1天数据；若还没有数据，选用工作日数据日期间隔、温度等数据相似度最接近的1天数据；若获取星期特征数据集的过程中为获取到数据，则不分是否下雨，星期，温差等是否符合规则，获取温度较相似，且日期间隔最小的数据。
[0062]
在获取到相似日后，还可以进行自然增速的计算，首先，剔除节假日，计算每个月的平均日用电量；其次，计算近3年，1到12个月与预测日期前3个月每个月的自然增速；再次，获取3个月的自然增速平均值作为预测数据的自然增速。另外还可以根据日期间隔获取同等间隔的自然增速。
[0063]
在判断节假日影响率的过程中，可以剔除非节假日周末数据；计算近2年节假日基准数据；计算节假日每一天较基准值的增速作为影响率；最后得到预测节假日影响率＝前两年影响率平均值。
[0064]
最后，预测日期对应的相似日电量乘以自然增速和节假日影响率为预测电量；合并预测时间范围内每天预测数据为月预测数据。最后再将预测结果写入数据表中，或输出供电网设备进行状态调节判别。
[0065]
具体来说，当前算法为从算法管理模块中任意选择的算法；并且，算法管理模块中至少包含相似日算法、时间序列算法、xg-boost(extreme gradient boosting)算法、lstm(long short-term memory)神经网络算法、svr(support vactor regression)支持向量机回归算法、stl(seasonal and trend decomposition using loess)波形分解算法。
[0066]
优选的，方法计算当前算法的置信度，并基于置信度的取值进行算法推荐；置信度中分别包括算法的平均偏差率、最小偏差率、偏差合格率、同期偏差率和加权偏差率的取值。
[0067]
可以理解的是，算法置信度基于算法的综合偏差计算得到；并且，
[0068]
算法的综合偏差σ
tol
为
[0069]
σ
tol
＝a*σ
min
+b*σ
ave
+c*σ
cor
+d*σ
wei
+e*σ
qua
[0070]
其中，σ
min
为算法的最小偏差率，σ
ave
为算法的平均偏差率，σ
cor
为算法的同期偏差率，σ
wei
为算法的加权偏差率，σ
qua
为算法的偏差合格率，a、b、c、d和e分别为算法的偏差权重。
[0071]
可以理解的是，在本发明中可以首先建立算法置信度评估体系。假设a市历史年份的算法月度预测偏差率为σ
1-01
、σ
1-02
...σ
1-12
...σ
2-01
...σ
2-12
...σ
i-01
...σ
i-12
，其中，01、02....12分别代表1-12月，i为第i年。平台从最小偏差率、平均偏差率、同期偏差率、偏差合格率、加权偏差率五个维度进行评估：
[0072]
最小偏差率：σ
min
＝min(σ
1-01
、σ
1-02
......σ
i-01
...σ
i-12
)；
[0073]
平均偏差率：
[0074]
同期偏差率：历史相同月份的平均偏差率即为同期偏差率σ
cor
；
[0075]
加权偏差率：σ
wei
＝p
行业1
*σ
ave-行业1
+...p
行业n
*σ
ave-行业n
，p
行业n
为该市行业n电量在总电量中的占比；
[0076]
偏差合格率：将偏差率小于5％记为合格，历史月份中合格次数与总次数占比即为偏差合格率σ
qua
。
[0077]
通过这种算法就可以对预测算法进行评分，从而获得到不同的算法的分数多少，从而通过这种方式选择最优的算法，以生成预测结果。
[0078]
具体来说，省侧、地市侧各级工作人员根据预测需求、预测场景自定义预测模型组合，设置不同的目标，将数据集随机划分为k个大小相同或基本相同的子集，分别把每一个子集作为测试集，其余(k-1)个子集作为训练集，训练并测试每一种模型，设置不同的目标“平均偏差率”、“最小偏差率”、“加权偏差率”、“偏差合格率、“同期偏差率”对模型进行评分。
[0079]
图5为本发明一种基于智能算法的用电预测方法中算法比较页面的示意图。如图5所示，通过获取到各个算法的置信度，本发明方法可以通过可视化的方式对于各个算法的预测结果进行比较，以直观的方式使得电网工作人员获得算法预测结果的准确度以及各类特征指标。由此，依据用户的操作记录，从用户每个历史的操作中抽取出一些特征，利用用户常用的特征组成一个特征集合，学习出用户的兴趣特征表示，选择与用户的兴趣特征相匹配的业务数据指标进行智能推荐。
[0080]
优选的，以可视化方式比较当前算法与算法库中一种或多种其他算法之间的历史预测偏差。以可视化方式比较当前算法的用电预测结果与历史用电电量，以获取预测偏差。图6为本发明一种基于智能算法的用电预测方法中月度电量预测页面的示意图。可以理解的是，可视化的方式还可以比较当前算法与其他算法之间的历史预测偏差。这里的偏差指标可以是预测值与实际值之差来实现计算的。
[0081]
优选的，可视化方式支持空间维度、时间维度、行业维度的切片数据展示；其中，空间维度包括省侧、地市、区县用户群的历史用电电量；时间维度包括年度、季度、月度、日度、分时段历史用电电量；行业维度包括全量用户、代理购电工商业用户、市场化工商业用户、居民和农业用户。
[0082]
如上述图中内容所述，各类可视化图表均可以采用前文中所述的各个维度进行切片来表示，以满足用户的各类视图需求。例如省级电网人员可以针对省侧用户群的历史用
电电量来进行宏观的供电调节判断，而区县级的运维人员则可以针对区县内的用户用电电量来实现合理的配电设备调节。
[0083]
优选的，采用可视化方式对于当前算法在计算过程中的中间参数的空间位置数据进行展示。
[0084]
如图2-4中所示，针对不同的算法，本发明方法可以将多种算法的中间参数以可视化空间布图的方式展示，以使得专业人员能够根据算法中间求解过程的空间分布合理的对算法的各类参数进行调节。
[0085]
需要说明的是，本发明还可以根据可视化的预测偏差来定位预测偏差产生的原因。具体来说，本发明中，可以建立单一影响因子对不同类型电量的影响程度和影响范围的定量模型。通过影响因子定量模型，支撑业务人员进行事后预测复盘分析，定位偏差产生原因，为步骤2中算法的参数调优提供依据，提高算法的拟合优度。
[0086]
例如，影响趋势中包括温度影响趋势，其计算方法为：步骤2.1.1，将温度影响因子进行标幺化后，建立温度影响因子与历史用电电量之间的拟合曲线；步骤2.1.2，将预测时段的预测温度与实际温度分别代入拟合曲线并获得预测温度电量和实际温度电量；步骤2.1.3，采用公式计算得到温度影响趋势。
[0087]
影响趋势中包括节假日影响趋势，其计算方法为：步骤2.2.1，从历史用电电量中筛除疫情影响的数据，并基于节假日的气象数据查找相似历史用电电量；步骤2.2.2，对相似历史用电电量计算平均值以生成基准电量；步骤2.2.3，将节假日的历史用电电量作为节假日电量，并将节假日电量、基准电量代入公式假日电量，并将节假日电量、基准电量代入公式以计算得到节假日影响趋势。
[0088]
影响趋势中包括疫情影响趋势，其计算方法为：步骤2.3.1，提取在均未受到疫情影响的情况下历史用电电量具备相似趋势的、未受到疫情影响的另一区域作为基准区域；步骤2.3.2，采集目标区域与基准区域中未受疫情影响时的历史用电电量并求解电量比值以生成基准比值；步骤2.3.3，采集目标区域受到疫情影响时间范围内，基准区域中的历史用电电量，并根据步骤2.3.2中的所述基准比值还原所述目标区域的未受疫情影响虚拟电量量；步骤2.3.4，采用虚拟电量量、目标区域受到疫情影响时间范围内的历史用电电量生成疫情影响趋势成疫情影响趋势
[0089]
而本发明中的单一影响因子则可以包括气象因子、节假日因子、自然增长因子、电网事件因子、经济因子、重大事件因子等等。
[0090]
具体的，影响电量的因子较多，通过主成分分析法可以将多变量原问题映射为较少重要特征变量表示的问题，找出各预测场景下的关键影响因子，例如影响超短期电量预测的关键因子为温度、雨量、是否节假日等因子，影响中长电量预测的关键因子为温度、自然增长、重要事件等因子。
[0091]
提取关键影响因子包括：步骤1.1，基于电量影响因子体系构建影响因子的标准化二维矩阵，并建立任意两个影响因子之间的相关关系矩阵；步骤1.2，对于相关关系矩阵求解特征根与特征向量，并根据特征根与特征向量计算任意两个影响因子之间的贡献率；步
骤1.3，对当前影响因子与其余所有影响因子之间的贡献率求和以得到当前影响因子的累积贡献率，并对所有影响因子的累积贡献率进行排序以筛选出关键影响因子。
[0092]
步骤3，生成复盘分析报告，并基于预测偏差原因对算法库中的当前算法的关键参数进行调节。
[0093]
本发明中生成的复盘分析报告可以是采用可视化的方式，对于上文中体积的各类影响因子、预测结果等有机的展示的可视化报告。预测结果复盘过程可以包含目标对比、评估结果、分析原因、归纳总结等四步。其中目标对比可以获取省侧、地市侧历史月份的实际值与预测提报值，计算同比、环比等多个维度的指标数据，进行预测结果对比与排名。评估结果可以以可视化图表展示预测偏差情况，统计偏差超过合格线的数量和日期，进行特别标记，并下发给各级业务人员。分析原因过程中则支持根据预测偏差的数据分布，结合预测时间节点与实际时间节点的各类信息，例如气象、节假日、政策、经济等多个特征数据指标进行复盘溯源，定位引起代理购电电量偏差的原因。最后归纳总结支持市-县各级业务人员基于平台提交分析报告，由省级业务人员对全省情况进行通盘分析，对重点行业企业异常波动原因进行归类，对外部因子影响进行量化计算，形成最终的复盘分析报告并上传平台。
[0094]
本发明中，可以设置专家评估功能，支撑数据同比、环比、图形联动，可查看同类城市的预测情况，业务人员可结合实际情况、自身经验对预测结果调整校核，并最终上报。
[0095]
例如，可以以可视化图表形式展示历史预测情况，支撑各级工作人员对历史预测准确率进行复盘分析，包括对比分析、评估结果、分析原因、原因总结4步闭环流程，结合气象、节假日、经济等特征数据指标进行量化分析判断，更新迭代预测模型；总结行业、企业异常报送信息，对复盘异常数据进行归类，形成异动原因素材库，进一步提升预测准确性。
[0096]
由于现有技术中，上述预测结果复盘的过程并不会被通过自动化的手段实现，而是通过各类复杂的人为的交互方式实现，过程冗长，效率低下，本发明中则可以通过建设相应的计算机交互系统，来实现这种过程，提高了过程的准确性，同时所有的过程都能够实现充分的记录，便于溯源。
[0097]
针对影响趋势对当前算法的关键参数进行改进的方法为：根据影响趋势的取值，获取专家意见对关键参数进行改进；对改进关键参数后的历史用电预测结果、历史用电预测结果对应的实际历史用电电量进行采集，并计算二者之间的平均绝对误差、平均绝对误差百分比；当平均绝对误差、平均绝对误差百分比的取值均小于设定阈值时，认定改进中关键参数的设定是合理的。
[0098]
各类预测算法可调参数较多，以相似日算法为例，大部分参数具有一致性，例如日期选择方式、自然增速、假期分类标签，由专业人员在后台完成调优，但有些参数具有区域性差异，需由当地业务人员结合实际情况进行优化反馈，选择温度偏差、搜索范围、相似日选取作为3个在前端展示可配置的参数，业务人员依据影响因子量化模型、预测表现人工调整参数，对于“温度偏差”参数，在夏冬季节，电量与温度相关性较大，温度变化1℃，电量有明显增减，可以减小温度偏差；而秋冬季节，电量与温度相关性较小，可以增加温度偏差范围。对于“搜索范围”参数，一般默认选择近半年的日期，若当地近期发生疫情等突发情况，需及时扩展参数范围，剔除异常值。对于“相似日选取”参数，出现多条相似日信息，可以调整选择最优匹配或选择前n条的加权平均。
[0099]
为评估模型的预测表现，计算历史预测值和实际值的平均绝对误差百分比
和平均绝对误差若调整后误差绝对值和波动性较小，则认为本次参数调整合理，记录并保存本次参数值。
[0100]
采用类似的方式还可以有效的调节其他的算法参数，如表1中所述。
[0101]
步骤4，采用调节后的当前算法对输入数据进行求解，以生成预测时段的最优用电预测结果，并基于最优用电预测结果实现对电网中发电侧、输电侧、变电侧、配电侧设备状态的调控。
[0102]
在最终获取到决策方案后，可以采用现有技术中各类方式实现输发变配等各个阶段中电力设备的综合调控，从而精准的满足用电侧的需求。例如，直接采用本发明中的用电预测结果，对区域内的发电侧机组设备的运行功率进行调控，可以使得发电机组能够准确的根据预测电量来实现节能、低碳、环保的发电，同时充分满足用电侧的用电需求。
[0103]
另外，还可以为本发明的方法构建数据接口，例如，将本发明中的用电预测系统与现有技术中的例如数据采集与监视控制系统(scada，supervisory control and data acquisition)等系统进行关联，通过将数据采集与监视控制系统中的相关数据导入本发明的系统中，或将本发明中的用电预测结果数据导出至scada系统中，从而实现对各类配电设备的调节，从而使得分布式的用电侧用户能够合理的获取到与预测结果相对应的电量供应。
[0104]
具体来说，本发明中通过用电预测结果控制输、发、变、配各个环节设备运行状态的方法主要为电网潮流计算。在充分符合电网潮流计算这一自然规律的前提下，本发明方法实现了对于电网中各类设备的合理调控。例如，在电网规划阶段，通过潮流计算，合理规划电源容量及接入点，合理规划网架，选择无功补偿方案，满足规划水平的大、小方式下潮流交换控制、调峰、调相、调压的要求。正常检修及特殊运行方式下，基于潮流计算，指导发电厂开机方式，有功、无功调整方案及负荷调整方案，满足线路、变压器热稳定要求及电压质量要求。另外，在重大事件发生时，也可以预想事故、设备退出运行对静态安全的影响分析及作出预想的运行方式调整方案。
[0105]
本发明第二方面，涉及一种基于智能算法的用电预测系统，系统包括处理器、存储介质与数据接口；其中，处理器用于实现本发明第一方面中方法的步骤；并且，数据接口，与发电侧、输电侧、变电侧、配电侧设备的控制系统连接，用于基于最优用电预测结果实现对电网中发电侧、输电侧、变电侧、配电侧设备状态的调控。
[0106]
可以理解的是，本发明中的用电预测系统为了实现上述本技术实施例提供的方法中的各功能，包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到，结合本文中所公开的实施例描述的各示例的算法步骤，本技术能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
[0107]
本技术实施例可以根据上述方法示例对系统进行功能模块的划分，例如，可以对应各个功能划分各个功能模块，也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。需要说明的是，本技术实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现
时可以有另外的划分方式。
[0108]
系统可以由一个或多个分布式装置通信连接组成，装置包括至少一个处理器，总线系统以及至少一个通信接口。处理器可以是中央处理器(central processing unit,cpu)，还可以由现场可编程逻辑门阵列(field programmable gate array,fpga)、专用集成电路(application-specific integrated circuit，asic)或其他硬件代替，或者，fpga或其他硬件与cpu共同作为处理器。
[0109]
存储器可以是只读存储器(read-only memory，rom)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(random access memory，ram)或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electrically erasable programmable read-only memory，eeprom)、只读光盘(compactdisc read-only memory，cd-rom)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器可以是独立存在，通过总线与处理器相连接。存储器也可以和处理器集成在一起。
[0110]
硬盘可以为机械盘或固态硬盘(solid state drive,ssd)等。接口卡可以是主机总线适配器(host bus adapter,hba)、独立硬盘冗余阵列卡(redundant array ofindependent disks,rid)、扩展器卡(expander)或网络接口控制器(network interfacecontroller,nic)等，本发明实施例对此不作限定。硬盘模组中的接口卡与硬盘通信。存储节点与硬盘模组的接口卡通信，从而访问硬盘模组中的硬盘。
[0111]
硬盘的接口可以为串行连接小型计算机系统接口(serial attached smallcomputer system interface，sas)、串行高级技术附件(serial advanced technologyattachment，sata)或高速串行计算机扩展总线标准(peripheral componentinterconnect express，pcie)等。
[0112]
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件程序实现时，可以全部或部分地以计算机程序产品的形式来实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时，全部或部分地产生按照本技术实施例所述的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，计算机指令可以从一个网站站点、计算机、服务器或者数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line，简称dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可以用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质(例如，软盘、硬盘、磁带)，光介质(例如，dvd)、或者半导体介质(例如固态硬盘(solid state disk，简称ssd))等。
[0113]
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(isa)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如smalltalk、c++等，以及常规的过程式编程语言—诸如“c”语言或类似的编程语言。计算机
可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(fpga)或可编程逻辑阵列(pla)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
[0114]
本发明的有益效果在于，与现有技术相比，本发明中的一种基于智能算法的用电预测方法与系统，能够通过构建用电预测算法库，对于算法的参数进行调节，对算法版本进行管理，并基于预测偏差及时的对于算法进行迭代调整，基于不同算法之间置信度的比较推荐最优算法，从而提高预测结果的准确性。本发明思路清晰，涵盖广阔，具备较强的可扩展性，能够针对不同的智能算法进行比较，并通过每个算法的自身迭代过程逐步改进算法。通过多种不同算法的集成管理，实现了最优化的用电预测。
[0115]
最后应当说明的是，以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。